自带函数

zip()

zip([一个或者多个迭代器,...])

打包为元组。
例如：

a = [1, 2, 3]
b = [4, 5, 6]
p = zip(a,b)
>> p = [(1,4), (2,5),(3,6)]
q = zip(*p)
>> q = [(1,2,3),(4,5,6)]

numpy

std

numpy.std(a, axis=None)

a:计算a的标准差
axis:
- 0 计算每一列的标准差
- 1 计算每一行的标准差
- None 计算全局标准差

digitize

numpy.digitize(x, bins, right=False)

返回一个和x相同大小的列表，返回值中的元素对应x元素落在bins区间的索引号。

argmax 返回列表的最大值索引值

random 随机数

choice

choice(a, size=None, replace=True, p=None)

a 序列
size 采样的数量，可以是整数，可以是tuple(m，n，k)
replace 采样的样本是否需要更换。False时样本不会重复。
p 一维数组，指定a中每个元素采样的概率。默认相同

tensorflow

math

clip_by_global_norm

tf.clip_by_global_norm( t_list, clip_norm, use_norm=None, name=None)

t_list 元组、列表或者混合张量
clip_norm 一个标量，大于0。剪裁率
use_norm 浮点数标量
给定张量 t_list 的元组或列表，以及裁剪率 clip_norm，此操作返回裁剪张量列表 list_clipped 和 t_list
中所有张量的全局范数 (global_norm)。或者，如果您已经计算了 t_list 的全局范数，则可以使用 use_norm 指定全局范数。

reduce_mean

tf.math.reduce_mean(input_tensor, axis=None, keepdims=False, name=None)

input_tensor 输入的张量
axis
- 缺省，则输出的值为张量所有值的平均值，为一个数字。
- 0，输出一个向量，沿着纵向取平均值
- 1，沿着横向取平均值
keepdims true表示保留长度为1的缩减维度。

reduce_sum

tf.math.reduce_sum(input_tensor, axis=None, keepdims=False, name=None)

输入与mean相同。

axis
- 缺省，表示张量的所有值相加
- 0，纵向相加
- 1，横向相加，返回横向量。
keepdims 为True时，且axis为1，返回列向量

squeeze

https://www.tensorflow.org/api_docs/python/tf/squeeze

tf.squeeze(input, axis=None, name=None)

给定一个输入张量。默认移除数量为1的维度。如果axis有值，则移除axis列表对应索引的值。

input 输入，是一个张量。
axis 一个列表，指的是张量的索引。

kereas

layers

Dense

tf.keras.layers.Dense(
    units,
    activation=None,
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='zeros',
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    **kwargs
)

units 正整数，输出的维度
activation 激活函数
- sigmoid
- relu
- tf.nn.relu
- tf.nn.softmax
use_bias 布尔型层是否使用bias向量
目前暂时只需要前两个参数。

Flatten

tf.keras.layers.Flatten()

将2D层转化为1D向量，只是重排向量。

Conv2D 定义卷积层

tf.keras.layers.Conv2D(
    filters,
    kernel_size,
    strides=(1, 1),
    padding='valid',
    data_format=None,
    dilation_rate=(1, 1),
    groups=1,
    activation=None,
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='zeros',
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    **kwargs
)

filters 输出的维度。即输出的层的数量。
kernel_size 核的大小。可以是整数或者矩阵。
padding 是否填充0。指在输入层的周围填充0。vaild表示不填充，same表示填充一圈0。

MaxPool2D 定义最大池化层

tf.keras.layers.MaxPool2D(
    pool_size=(2, 2),
    strides=None,
    padding='valid',
    data_format=None,
    **kwargs
)

pool_size 池化核大小
strides 池化核移动的步长

optimizers

SGD 随机梯度下降法

tf.keras.optimizers.SGD(learning_rate = 0.1)

Model

compile

fit 测试拟合程度

evaluate

test_loss, test_acc = model.evaluate(x=test_images, y=test_labels)

evaluate(
    x=None,
    y=None,
    batch_size=None,
    verbose='auto',
    sample_weight=None,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
    return_dict=False,
    **kwargs
)

x 输入数据
y 目标数据

predict

predict(
    x,
    batch_size=None,
    verbose='auto',
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False
)

x 输入的采样点，可以是：
- numpy矩阵，或者矩阵列表
- tensorflow张量，或者张量列表
- tf.data 数据集

functools

Python标准模块，提供了一些常用的高阶函数，也就是用于处理其它函数的特殊函数。

partial

functools.partial(func[, *args][, **keywords])

将对象的缺省默认值修改为args中的值。
例如：

1
2
3

int('10') # 输出为10
int2 = partial(int, base=2)  # base就是keywords
int2('10') # 输出为2

func 可调用的对象或者函数。调用partial对象会转为使用新的参数和关键字参数调用func。
args 最左边的位置参数作为优先位置参数提供给partial对象调用。
keywords 对象被调用时提供关键字参数